内容简介
本书是介绍语音识别中深度学细节的专著。全书首先概要介绍了传统语音识别理论和经典的深度神经网络核心算法。接着而深入地介绍了深度学音识别中的应用括“深度神经网络-隐马尔可夫混合模型”的训练和优化，特征表示学型融合、自适应，以及以循环神经网络为代表的若干深度学。 本书适合有机器学音识别基础的学生、研究者或从业者阅读，所有的算细节都提供了详尽的参考文献，给出了深度学音识别中应用的全景。
目录
译者序序前言术语缩写符号1 简介 1.1 自动语音识别：更好的沟通之桥 1.1.1 人类之间的交流 1.1.2 人机交流 1.2 语音识别系统的基本结构 1.3 全书结构 1.3.1 部分：传统声学模型 1.3.2 部分：深度神经网络 1.3.3 第三部分：语音识别中的DNN-HMM混合系统 1.3.4 第四部分：深度神经网络中的表征学r/> 1.3.5 第五部分：的深度模型部分 传统声学模型 2 混合高斯模型 2.1 变量 2.2 高斯分布和混合高斯变量 2.3 参数估计 2.4 采用混合高斯分布对语音特征建模 3 隐马尔可夫模型及其变体 3.1 介绍 3.2 马尔可夫链 3.3 序列与模型 3.3.1 隐马尔可夫模型的质 3.3.2 隐马尔可夫模型的仿真 3.3.3 隐马尔可夫模型似然度的计算 3.3.4 计算似然度的算法 3.3.5 前向与后向递归式的证明 3.4 期望大化算法及其在学M参数中的应用 3.4.1 期望大化算法介绍 3.4.2 使用EM算法来学M参数——Baum-Welch算法 3.5 用于解码HMM状态序列的维特比算法 3.5.1 动态规划和维特比算法 3.5.2 用于解码HMM状态的动态规划算法 3.6 隐马尔可夫模型和生成语音识别模型的变体 3.6.1 用于语音识别的GMM-HMM模型 3.6.2 基于轨迹和隐藏动态模型的语音建模和识别 3.6.3 使用生成模型HMM及其变体解决语音识别问题部分 深度神经网络 4 深度神经网络 5 模型初始化技术第三部分 语音识别中的深度神经网络-隐马尔可夫混合模型 6 深度神经网络-隐马尔可夫模型混合系统 7 训练和解码的加速 8 深度神经网络序列鉴别训练第四部分 深度神经网络中的特征表示学r/> 9 深度神经网络中的特征表示学r/> 10 深度神经网络和混合高斯模型的融合 11 深度神经网络的自适应技术第五部分 的深度学 12 深度神经网络中的表征共享和迁移 13 循环神经网络及相关模型 14 计算型网络 15 结及未来研究方向参考文献
